A Novel Analog Modulation Classification: Discrete Wavelet Transform-Extreme Learning Machine (DWT-ELM)
| Autor: | Mehmet Ustundag |
|---|---|
| Přispěvatelé: | Üstündağ, Mehmet |
| Rok vydání: | 2021 |
| Předmět: |
Discrete wavelet transform
Computer science business.industry ADD-AÖM AÖM sınıflandırma Dalgacık Dönüşümü Modüle edilmiş analog sinyaller Mühendislik Pattern recognition Wavelet Transform General Medicine Engineering DWT-ELM ELM classification Artificial intelligence DWT-ELM ELM classification Wavelet Transform Analog modulated signals business Analog modulated signals Extreme learning machine |
| Zdroj: | Volume: 10, Issue: 2 492-506 Bitlis Eren Üniversitesi Fen Bilimleri Dergisi |
| ISSN: | 2147-3129 2147-3188 |
| DOI: | 10.17798/bitlisfen.852909 |
| Popis: | The aim of this study is to propose a method using discrete wavelet transform and extreme learning machine (DWT-ELM) in classification of communication signals. Six types of analog modulated signals as “AM”, “DSB”, “USB”, “LSB”, “FM” and “PM” are used for classification and analog modulated signal dataset consists of 1920 signals. These signals are also added white noise. Feature extraction is performed using different DWT filters. The feature vector obtained from DWT is used in classification. ELM is preferred due to its advantages over conventional back-propagation based classification. The feature vector is fed by the inputs of the ELM. The performance of the proposed method is evaluated for different types of DWT filters. In addition, compared results with similar study are presented to be able to determine the success of the proposed method. Bu çalışma, analog modüle edilmiş iletişim sinyallerinin sınıflandırılması için ayrık dalgacık dönüşümü - aşırı öğrenme makinesine (ADD-AÖM) dayalı yeni bir yöntem önermektedir. Sınıflandırma için AM, DSB, USB, LSB, FM ve PM olmak üzere altı tip analog modüle edilmiş sinyal kullanılır ve analog modüle edilmiş sinyal veri seti 1920 sinyalden oluşur. Bu sinyallere ayrıca beyaz gürültü eklenir. Özellik çıkarma işlemi, farklı ADD filtreleri kullanılarak gerçekleştirilir. ADD'den elde edilen öznitelik vektörü sınıflandırmada kullanılır. AÖM, geleneksel geri yayılmaya dayalı sınıflandırmaya göre avantajları nedeniyle tercih edilmektedir. Özellik vektörü, AÖM sınıflandırıcısının girişine beslenir. Önerilen yöntemin performansı, farklı ADD filtreleri için değerlendirilir. Ayrıca, önerilen yöntemin performansını değerlendirmek için benzer çalışma ile karşılaştırılan sonuçlar sunulmuştur |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|